LECCIÓN 1

¿Qué es una neurona?

La pieza más pequeña de una red neuronal. Si entiendes esto, entiendes el 80% de todo lo demás — el resto es repetir esta idea muchas veces.

1. La idea en una frase

Una neurona artificial toma varios números de entrada, les da más o menos importancia, los suma, y produce un solo número de salida. Nada más.

Una neurona = una suma ponderada. Recibe entradas, multiplica cada una por un "peso" (qué tan importante es), las suma todas, y le agrega un ajuste fijo (el "bias"). El resultado es un número. Eso es literalmente todo lo que hace una neurona.

Toda red neuronal — incluido el Transformer que ya viste — está hecha apilando miles o millones de estas piezas diminutas. Vamos a entender una sola, a fondo y con números.

2. Anatomía de una neurona

Una neurona tiene tres tipos de ingredientes:

Ingrediente	Qué es	¿Lo aprende la red?
Entradas (x₁, x₂, …)	Los datos que entran. Vienen de fuera o de otra neurona.	No, son el dato
Pesos (w₁, w₂, …)	Cuánta importancia le da a cada entrada. Uno por entrada.	✅ Sí
Bias (b)	Un ajuste fijo que se suma al final. Desplaza el resultado.	✅ Sí

🔑 Lo que la red "aprende" durante el entrenamiento son los pesos y los bias. Las entradas son el dato que le das; los pesos y bias son las perillas que la red ajusta sola para mejorar. Lo veremos en las lecciones 6–8.

3. La operación: suma ponderada

Con 2 entradas (que es nuestro caso para XOR), la neurona calcula:

z = (w₁ · x₁) + (w₂ · x₂) + b

Leído en palabras:

Multiplica cada entrada por su peso.
Suma todos esos productos.
Súmale el bias.
El resultado z es la salida de la neurona (su "pre-activación").

Si hubiera más entradas, la fórmula crece igual: z = w₁x₁ + w₂x₂ + w₃x₃ + … + b. Esa suma de "peso × entrada" es exactamente el producto punto que viste en el Transformer — la misma operación, otra vez.

4. Nuestro ejemplo concreto (lo usaremos en todo el curso)

Durante todas las lecciones entrenaremos una red para resolver XOR. Esta es una de sus neuronas — la primera neurona de la capa oculta, que llamaremos h₁. Sus valores iniciales (inventados, la red los ajustará después) son:

Pesos y bias de la neurona h₁:
  w₁ = 0.20    (peso de la entrada x₁)
  w₂ = 0.40    (peso de la entrada x₂)
  b  = -0.10   (bias)

Le damos la entrada XOR x = (1, 0):
  x₁ = 1
  x₂ = 0

Calculamos z paso a paso, sin saltarnos nada

z = (w₁ · x₁) + (w₂ · x₂) + b

  = (0.20 · 1) + (0.40 · 0) + (-0.10)
  =     0.20      +     0.00      +    (-0.10)
  = 0.10

La neurona h₁, ante la entrada (1, 0), produce z = 0.10. Guarda ese número: es el primer valor de nuestro hilo conductor. En la lección 4 verás de dónde viene cuando la red completa procese XOR.

x₁=1

x₂=0

·w₁=0.20 →

·w₂=0.40 →

Σ + b
suma ponderada
z = 0.10

→

0.10

5. ¿Qué significan intuitivamente los pesos y el bias?

Los pesos = importancia (y dirección)

Un peso grande y positivo dice "esta entrada empuja la salida hacia arriba". Uno negativo dice "esta entrada empuja hacia abajo". Uno cercano a cero dice "esta entrada casi no me importa". En nuestro ejemplo, w₂=0.40 le da más importancia a x₂ que w₁=0.20 a x₁.

El bias = qué tan fácil se "activa"

El bias desplaza el resultado sin depender de ninguna entrada. Un bias positivo hace que la neurona dé números más altos por defecto; uno negativo (como nuestro -0.10) la hace más "exigente". Piensa en él como el umbral que mueve la balanza.

🎮 Pruébalo tú: mueve las perillas

Cambia los pesos, el bias y las entradas, y mira cómo cambia z en vivo. (Arranca con los valores de h₁.)

w₁0.20

w₂0.40

b-0.10

x₁1

x₂0

7. Lo que falta (y viene en las próximas lecciones)

La neurona que acabas de entender tiene dos cosas pendientes:

Decidir / activarse: ese número z = 0.10 normalmente pasa por una función de activación que lo "aplasta" a un rango útil (por ejemplo entre 0 y 1). Es lo que da el poder no-lineal. → Lección 2.
Trabajar en equipo: una sola neurona es débil. Cuando pones varias en paralelo formas una capa, y la suma ponderada de todas se vuelve una multiplicación de matrices — la misma que viste en el Transformer. → Lección 3.

Resumen de la lección 1: una neurona multiplica cada entrada por un peso, suma todo, agrega el bias, y devuelve un número z. Aprender = ajustar esos pesos y bias. Con la neurona h₁ y la entrada (1,0) obtuvimos z = 0.10, el primer número de nuestro recorrido por XOR.